Pytorch入门深度学习（1）——初识人工智能AI
一、什么是AI？
通过学习掌握某种技能的机器。
1）AI的本质：特征提取
2）AI的分类
发展阶段：弱人工智能——强人工智能——超人工智能
智能方式：计算智能（计算器）——感知智能——认知智能
学习方式：全监督（标签与数据一致）、半监督（大量数据少量标签）、无监督
学习结果：判别模型（分类（区分人）、回归（框住人））、生成模型
技术学科：统计学（SVM、决策树、KNN等）、仿生学（神经网络、进化算法等）
应用场景：图像、语言、自然语言处理、强化学习（自动化）
学习阶段：端到端学习、非端到端学习
学术流派：连接主义（如深度学习，连起来，一层的输出当做下一层的输入）、
符号主义（图神经网络，知识图谱，边到边，点到点）、
行为主义（强化学习，如自动驾驶、下棋，做了事情给一个评价，方向盘向左打有没有问题）
二、深度学习
——什么是深度学习（与神经网络的关系）
使用人工神经网络完成人工智能任务的学习方法。
三、神经网络简介
树突（有粗有细）：接受外界信息——权重w，偏置b
细胞核：处理信息：非线性**
轴突：输出到下一个神经元
突触：连接多个树突
人工神经网络的问题：只能层与层相连，层内无法连接，所以无法解决多任务问题，而人类的神经元是按刺激随机连接的
人类神经元数量：900-1000亿，3岁的时候神经元数量最多，处理问题与神经元之间的有效连接有关系
猫、狗神经元数量：30-50亿
四、感知机模型
h = wx+b
样本、输入、输出、净输出、**、前向、后向
净输出：函数**后转化成0~1之间的数,代替概率。
**：非线性**函数
前向：输入到输出
后向：做损失，传给h，传w,b
损失函数：均方差（y-y’)^2
过程：减小损失，得到合适的w,b（二次函数求最小值）
多个单层感知机模型—>>多层感知机（前向传播，反向传播）
图：多层感知机
五、线性可分与不可分
f(wx+b)=y
线性可分：一条直线可以分开的
线性不可分：一条直线分不开的
可以用①多条直线可以分开②曲线分③升维
0维（标量）：点，只有大小没有方向
1维（向量）：线，有大小有方向
2维（矩阵）：面
3维（张量）：空间
六、**函数
1）Sigmoid
值域（0,1），定义域（-∞ ,+∞）
做为**函数：连续的一组值，只能改变数据分布范围，但不能改变数据的个数（不常用，两边会饱和）
作为输出函数：输出一个值，作为概率
2）tanh
值域（-1,1），定义域（-∞ ,+∞）
数据处理到（-1,1）
作为**函数：比sigmoid梯度更好，更利于损失收敛
作为输出函数：输出值是（-1,1），输出的是数据特征，如符合标准正太分布的数据，用在生成模型中，分布更好一些
七、机器学习的过程（有监督）
1.前向计算
2.定义损失函数
3.后向计算
4.修改权重
八、**函数的作用和性质
1）作用
提供非线性能力；
增强鲁棒性；
2）性质
处处可微分；
定义域负无穷到正无穷；
定义域在（-1,1）之间的函数图像梯度很大，而在其他地方梯度很小。
博主自己总结的xmind，有错误大家可以指正一下。